CN113100207A - 基于小麦病害信息的精准配方施药机器人***及施药方法 - Google Patents

基于小麦病害信息的精准配方施药机器人***及施药方法 Download PDF

Info

Publication number
CN113100207A
CN113100207A CN202110400904.3A CN202110400904A CN113100207A CN 113100207 A CN113100207 A CN 113100207A CN 202110400904 A CN202110400904 A CN 202110400904A CN 113100207 A CN113100207 A CN 113100207A
Authority
CN
China
Prior art keywords
image
disease
wheat
pesticide
crop
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110400904.3A
Other languages
English (en)
Other versions
CN113100207B (zh
Inventor
刁智华
李江波
刁春迎
娄泰山
杨然兵
贺振东
张保华
吴青娥
张东彦
张萌
赵素娜
张雷
罗雅雯
闫娇楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University of Light Industry
Original Assignee
Zhengzhou University of Light Industry
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhengzhou University of Light Industry filed Critical Zhengzhou University of Light Industry
Priority to CN202110400904.3A priority Critical patent/CN113100207B/zh
Publication of CN113100207A publication Critical patent/CN113100207A/zh
Application granted granted Critical
Publication of CN113100207B publication Critical patent/CN113100207B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
    • A01M7/0025—Mechanical sprayers
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
    • A01M7/0089—Regulating or controlling systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Environmental Sciences (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Pest Control & Pesticides (AREA)
  • Insects & Arthropods (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Image Processing (AREA)

Abstract

本发明提出了一种基于小麦病害信息的精准配方施药机器人***及施药方法，用于解决现有农作物自动化喷药技术的准确度差，造成农药浪费以及环境污染的技术问题。所述***包括工业相机、微距相机、PC机、配方池、精准施药控制器和施药喷头，所述PC机分别与工业相机、微距相机、配方池和精准施药控制器相连接，配方池与精准施药控制器相连接，精准施药控制器与施药喷头相连接。本发明在病害种类识别和配方配制方面具有一定的优势，在识别小麦病害种类方面具有很好的效果，在基于病害严重程度给出配方方面具有较强优势，***具有较强的适应性和较高的识别准确度。

Description

基于小麦病害信息的精准配方施药机器人***及施药方法
技术领域
本发明涉及农业工程技术领域，特别是指一种基于小麦病害信息的精准配方施药机器人***及施药方法。
背景技术
近年来，随着计算机技术的发展，精准施药机器人***得到越来越多的关注。利用计算机图像处理及计算机视觉技术在农业生产中实现精准施药也逐步开展起来。数字图像处理算法在自动对准和自动识别方面具有很大的优势，是现代精准农业的基础和关键技术。根据精准施药的要求，作物行中心线的识别精准度会影响喷药喷头的对准精度，很容易造成农药的浪费或者污染环境；而病害种类识别的准确度及病害严重程度会对精准施药的效果产生很大的影响，准确判断病害种类才可以对症施药，确定病害严重程度会减少农药浪费，实行对量施药。而目前国内外也还没有通用的、适应性完全满足需求的精准施药算法，也没有能够实现上述功能的大型精准施药机械或者精准施药机器人。
发明内容
针对上述背景技术中存在的不足，本发明提出了一种基于小麦病害信息的精准配方施药机器人***及施药方法，解决了现有农作物自动化喷药技术的准确度差，造成农药浪费以及环境污染的技术问题。
本发明的技术方案是这样实现的：
一种基于小麦病害信息的精准配方施药机器人***，包括工业相机、微距相机、PC机、配方池、精准施药控制器和施药喷头，所述PC机分别与工业相机、微距相机、配方池和精准施药控制器相连接，配方池与精准施药控制器相连接，精准施药控制器与施药喷头相连接。
优选地，所述PC机包括病害识别***、作物行识别***和配方专家***，所述病害识别***分别与微距相机、配方专家***相连接，配方专家***与配方池相连接，所述作物行识别***分别与工业相机和精准施药控制器相连接。
一种基于小麦病害信息的精准配方施药机器人***的施药方法，其步骤如下：
S1、利用工业相机采集小麦作物的图像，并将图像传输至PC机的作物行识别***，得到施药喷头与作物行的偏差信息；
S2、利用微距相机获取小麦作物的叶片病害图像，并将叶片病害图像传输至PC机的病害识别***，得到病害种类及病害程度；
S3、将步骤S2中的病害种类及病害程度传输至配方专家***，通过配方专家***给出农药种类以及喷药量后在配方池中进行配制，得到农药溶液；
S4、将步骤S1中的施药喷头与作物行的偏差信息传输至精准施药控制器，精准施药控制器控制施药喷头的位置将步骤S3中的农药溶液喷洒至病态的小麦作物上，实现了小麦作物的精准施药。
优选地，所述步骤S1中的将图像传输至PC机的作物行识别***，得到施药喷头与作物行的偏差信息的方法为：
S11、利用图像处理方法对小麦作物的图像进行预处理，得到二值图像；
S12、利用形态学算法去除二值图像中行间和作物行上的小孔噪声，得到作物行骨架；
S13、利用基于定向处理的快速Hough变换算法对作物行骨架进行拟合，得到作物行的中心线；
S14、根据世界坐标系与图像坐标系的变换关系，通过计算作物行的中心线与图像中心的像素偏差距离，得出图像像素偏差所对应的实际地理偏差的大小，结合施药喷头与工业相机的位置信息，得到施药喷头与作物行的偏差信息。
优选地，所述利用图像处理方法对小麦作物的图像进行预处理，得到二值图像的方法为：
S11.1、利用改进的过绿灰度化算法对小麦作物的图像进行灰度化，得到灰度图像；
所述灰度图像为：
Figure BDA0003020266620000021
其中，Gray表示图像的灰度值，G表示图像的绿色分量，R表示图像的红色分量，B表示图像的蓝色分量；
S11.2、对灰度图像进行二值滤波处理，去除灰度图像中的噪声，得到滤波图像；
S11.3、采用最大类间方差法对滤波图像进行二值化，得到二值图像。
优选地，所述步骤S2中的将叶片病害图像传输至PC机的病害识别***，得到病害种类及病害程度的方法为：
S21、利用图像处理方法对叶片病害图像进行叶片与背景分离，得到叶片病害图像；
S22、采用绿色分割算法对叶片病害图像进行分割，得到病斑分割图像，并将病斑分割图像进行图像复原得到病斑图像，其中，图像复原是指将变换后的灰度图像根据图像坐标位置信息复原为彩色图像；
S23、分别利用颜色直方图、颜色矩、对比度、不变矩及偏心率的计算方法对病斑图像进行特征提取，得到初始备用特征，并通过主成分分析法对初始备用特征进行筛选，得到用于小麦叶片病害识别的核心特征，其中，核心特征包括红色矩、R-G、圆形度、对比度、偏心率和病斑面积数目比；
S24、利用基于费歇尔判据的SVM算法对核心特征进行识别，输出病害的种类以及病害严重程度。
优选地，所述利用图像处理方法对叶片病害图像进行叶片与背景分离，得到叶片病害图像的方法为：
S21.1、将叶片病害图像转化为灰度图像，并利用改进的分水岭算法对灰度图像进行处理，得到二次灰度化图像；
S21.2、利用自适应阈值算法对二次灰度化图像进行分割，得到叶片的二值图像；
S21.3、对经过膨胀腐蚀滤波后的叶片的二值图像进行裁剪，得到目标图像；
S21.4、根据图像空间像素的不变性原理，将目标图像按照空间关系转化为彩色图像，得到叶片病害图像，其中，空间关系是指二值图像和彩色图像的坐标位置相对应。
优选地，所述利用基于费歇尔判据的SVM算法对核心特征进行识别，输出病害的种类以及病害严重程度的方法为：
S24.1、构建小麦叶片的病害类别空间M＝V1∪V2∪…∪Vi∪…∪VN，其中，Vi表示第i类病害；
S24.2、将病害类别空间M划分为两类子空间，并采用费歇尔判据构建线性判别函数：
Figure BDA0003020266620000031
其中，X＝(x1,x2,…,xp)T为核心特征，i＝1,2,…,p，p表示核心特征个数，C为常向量，Ci表示不同核心特征的贡献率，U(X)表示判别函数；
S24.3、基于费歇判据的支持向量机决策树的多类识别算法，根据获得的小麦叶部病害核心特征，判断出病害的种类；根据小麦叶部病害核心特征的数量多少，确定病害严重程度级别。
本技术方案能产生的有益效果：本发明在软硬件配置上给出了实现方法，对于喷药喷头自动对准和农药种类自动选择及喷药量控制提供了方法，在病害种类识别和配方配制方面具有一定的优势，通过实验证明此方法在识别小麦病害种类方面具有很好的效果，在基于病害严重程度给出配方方面具有较强优势，***具有较强的适应性和较高的识别准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的***框图；
图2为本发明的流程图；
图3为本发明的小麦田原图；
图4为本发明的小麦作物行中心线提取图；
图5为本发明的小麦条锈病原图；
图6为本发明的小麦条锈病处理图；
图7为本发明的小麦叶锈病原图；
图8为复杂背景下的小麦叶锈病原图；
图9为本发明的小麦白粉病识别结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1，如图1所示，一种基于小麦病害信息的精准配方施药机器人***，包括工业相机、微距相机、PC机、配方池、精准施药控制器和施药喷头，所述PC机分别与工业相机、微距相机、配方池和精准施药控制器相连接，从工业相机获得小麦作物行图像，从微距相机获得病害图像，与配方池相连主要是为了将配方专家***获得的信息传输给配方池，与精准施药控制器相连主要是将控制信号传输给施药控制器；配方池与精准施药控制器相连接，将配方池的信息传输给施药控制器，进行配方药量的供给和药液的混合；精准施药控制器与施药喷头相连接，精准施药控制器控制施药喷头根据实际情况进行施药作业。所述PC机包括病害识别***、作物行识别***和配方专家***，病害识别***主要用来识别小麦的病害信息，包括病害类别和病害危害程度等；作物行识别***主要用来识别小麦的作物行，指导施药机器人进行喷药作业，保证将药物喷洒到患病作物上；配方专家***主要是根据作物病害的类别和病害危害程度等信息给出专家决策，生成施药配方，所述病害识别***分别与微距相机、配方专家***相连接，配方专家***与配方池相连接，所述作物行识别***分别与工业相机和精准施药控制器相连接。
实施例2，如图2所示，一种基于小麦病害信息的精准配方施药机器人***的施药方法，具体步骤如下：
S1、利用工业相机MV-VD030SC采集小麦作物的RGB彩色图像，如图3所示，图像中要包含若干作物行信息，并将图像传输至PC机的作物行识别***，得到施药喷头与作物行的偏差信息；其方法为：
S11、利用图像处理方法对小麦作物的图像进行预处理，得到二值图像；具体方法为：
S11.1、利用改进的过绿灰度化算法对小麦作物的图像进行灰度化，得到灰度图像；
所述灰度图像为：
Figure BDA0003020266620000051
其中，Gray表示图像的灰度值，G表示图像的绿色分量，R表示图像的红色分量，B表示图像的蓝色分量；
S11.2、对灰度图像进行二值滤波处理，去除灰度图像中的噪声，得到滤波图像；
S11.3、采用最大类间方差法对滤波图像进行二值化，得到二值图像。此时二值图像中只有作物行信息，背景已被去除，实现背景分割。
S12、利用形态学算法去除二值图像中行间和作物行上的小孔噪声，然后对其进行细化，同时为了减少计算量，在考虑信息量和准确性的前提下，去除图像中的多余线条，只保留最靠近中心的两行来代表作物行骨架，得到的作物行骨架如图4所示。
S13、为了更好的体现作物行的走向，利用基于定向处理的快速Hough变换算法对作物行骨架进行拟合为直线，并将此直线作为作物行的中心线；
基于定向处理的快速Hough变换算法原理如下：
Hough变换将作物行拟合为直线，其基本思想是利用点线的对偶性把图像中的直线检测问题转换为对参数空间中点的检测问题，通过参数空间中点的累加统计完成直线检测。提高Hough变换的速度有两种方法，一是减少参与的点数，二是缩小计算的空间。本发明的基于定向处理的Hough变换是基于这两种方法的结合。为了减少计算的复杂度采用直线极坐标方程表示为：
ρ＝xcosθ+ysinθ；
其中，ρ是原点到直线的距离，θ是x轴与直线的夹角。计算时首先把整体图像量化为几个子区域，在细化图像中近直线段上随机选取两点(xm,ym)、(xn,yn)确定一条直线，参数如下：
Figure BDA0003020266620000052
ρ＝xm cosθ+ym sinθ；
把每段近直线中所有像素点组成一集合A，随机取集合A中两点求斜率，如不满足近直线要求，重新选择。由于只提取作物行图像的中间2行，因此，可以把θ的取值范围压缩为30°～150°，根据
Figure BDA0003020266620000061
计算ρ的值，其中，
Figure BDA0003020266620000062
最后根据ρ和θ的值对累加数组进行累加，得到共线点的个数，由ρ和θ的取值范围及它们的分辨率可以确定累加器的大小，从而检测直线。
S14、根据世界坐标系与图像坐标系的变换关系，通过计算作物行的中心线与图像中心的像素偏差距离，得出图像像素偏差所对应的实际地理偏差的大小，结合施药喷头与工业相机的位置信息，得到施药喷头与作物行的偏差信息，并将偏差信息由PC机发送给精准施药控制器。
S2、利用微距相机(型号为Nikon D80型彩色数码照相机)获取小麦作物的叶片病害图像，并将叶片病害图像传输至PC机的病害识别***，得到病害种类及病害程度；其方法为：
S21、利用图像处理方法对叶片病害图像进行叶片与背景分离，得到叶片病害图像，如图5和7所示；其步骤为：
S21.1、在病害叶片与复杂背景分离时，将叶片病害图像转化为灰度图像，并利用改进的分水岭算法对灰度图像进行处理，得到二次灰度化图像；
S21.2、利用自适应阈值算法对二次灰度化图像进行分割，得到叶片的二值图像；
S21.3、对经过膨胀腐蚀滤波后的叶片的二值图像进行裁剪，得到目标图像；
S21.4、根据图像空间像素的不变性原理，将目标图像按照空间关系转化为彩色图像，得到叶片病害图像，其中，空间关系是指二值图像和彩色图像的坐标位置相对应。
S22、采用绿色分割算法对叶片病害图像进行分割，得到病斑分割图像，并将病斑分割图像进行图像复原得到病斑为白色、背景为黑色的病斑分割图像，如图6和8所示，其中，图像复原是指将变换后的灰度图像根据图像坐标位置信息复原为彩色图像；
S23、综合考虑小麦不同病害在图像各方面的不同性质，定义合适的特征，得到一个能将研究中的小麦病害正确分类的特征集合。并提取了用于多种小麦叶部病害识别的初始备用特征。通过特征选择方法，得到用于多种小麦叶部病害识别的核心特征。分别利用颜色直方图、颜色矩、对比度、不变矩及偏心率的计算方法对病斑图像进行特征提取，得到初始备用特征，并通过主成分分析法对初始备用特征进行筛选，得到用于小麦叶片病害识别的核心特征，其中，核心特征包括红色矩、R-G、圆形度、对比度、偏心率和病斑面积数目比；
S24、设计了基于费歇判据的支持向量机决策树的多类识别算法，根据获得的小麦叶部病害核心特征，判断出病害的种类；根据小麦叶部病害核心特征的数量多少，确定病害严重程度级别。将种类和严重程度信息由PC机发送给精准施药控制器。利用基于费歇尔判据的SVM算法对核心特征进行识别，输出病害的种类以及病害严重程度，如图9所示。基于费歇尔判别法的SVM算法为：
***多组核心特征组合数据可以表示为：
LN＝{Xi|i＝1,2,…,N}；
式中，LN表示核心特征组合空间，向量Xi为核心特征组合向量；
Xi＝(x1,x2,…,xp)i T；
其中，分量xk(k＝1,2,…,p)表示不同核心特征。
S24.1、将实际病害类别空间M划分为N个类别，构建小麦叶片的病害类别空间M＝V1∪V2∪…∪Vi∪…∪VN，其中，Vi表示第i类病害；病害识别就是找到满足于V1的向量Xj的特征值：
Figure BDA0003020266620000071
S24.2、首先采用基于支持向量机决策树的方法将病害类别空间划分为只有两类划分的子空间，多类识别的时候得到多个两类空间组合的子空间。对于两类空间组合的子空间采用费歇判据的想法进行识别。将病害类别空间M划分为两类子空间，并采用费歇尔判据构建线性判别函数：
Figure BDA0003020266620000072
其中，X＝(x1,x2,…,xp)T为核心特征，i＝1,2,…,p，p表示核心特征个数，C为常向量，Ci表示不同核心特征的贡献率，U(X)表示判别函数；在规定条件下，确定一特征值U0为阈值，小于此值判别为类别1空间，大于此值判别为类别2空间。费歇尔判别法是在最优标准条件下，只利用子集一、二阶矩的知识求得的线性判别函数，比基于欧式距离和马氏距离的方法更准确。
S24.3、基于费歇判据的支持向量机决策树的多类识别算法，根据获得的小麦叶部病害核心特征，判断出病害的种类；根据小麦叶部病害核心特征的数量多少，确定病害严重程度级别。
依次类推，分别得到类别1空间、类别2空间、类别3空间等。
S3、将步骤S2中的病害种类及病害程度传输至配方专家***，通过配方专家***给出农药种类以及喷药量后在配方池中进行配制，得到农药溶液；
配方专家***首先获取到相关配方，相关配方中包括需要的农药种类以及每种农药的剂量等信息。在配方池里分别从不同农药容器中抽取出一定剂量的农药，然后通过搅拌进行药液混合，就可以得到农药溶液。
S4、将步骤S1中的施药喷头与作物行的偏差信息传输至精准施药控制器，精准施药控制器控制施药喷头的位置将步骤S3中的农药溶液喷洒至病态的小麦作物上，实现了小麦作物的精准施药，减少农药浪费，提高施药效率及准确率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于小麦病害信息的精准配方施药机器人***，其特征在于，包括工业相机、微距相机、PC机、配方池、精准施药控制器和施药喷头，所述PC机分别与工业相机、微距相机、配方池和精准施药控制器相连接，配方池与精准施药控制器相连接，精准施药控制器与施药喷头相连接。
2.根据权利要求1所述的基于小麦病害信息的精准配方施药机器人***，其特征在于，所述PC机包括病害识别***、作物行识别***和配方专家***，所述病害识别***分别与微距相机、配方专家***相连接，配方专家***与配方池相连接，所述作物行识别***分别与工业相机和精准施药控制器相连接。
3.根据权利要求1或2所述的基于小麦病害信息的精准配方施药机器人***的施药方法，其特征在于，其步骤如下：
S1、利用工业相机采集小麦作物的图像，并将图像传输至PC机的作物行识别***，得到施药喷头与作物行的偏差信息；
S2、利用微距相机获取小麦作物的叶片病害图像，并将叶片病害图像传输至PC机的病害识别***，得到病害种类及病害程度；
S3、将步骤S2中的病害种类及病害程度传输至配方专家***，通过配方专家***给出农药种类以及喷药量后在配方池中进行配制，得到农药溶液；
S4、将步骤S1中的施药喷头与作物行的偏差信息传输至精准施药控制器，精准施药控制器控制施药喷头的位置将步骤S3中的农药溶液喷洒至病态的小麦作物上，实现了小麦作物的精准施药。
4.根据权利要求3所述的基于小麦病害信息的精准配方施药机器人***的施药方法，其特征在于，所述步骤S1中的将图像传输至PC机的作物行识别***，得到施药喷头与作物行的偏差信息的方法为：
S11、利用图像处理方法对小麦作物的图像进行预处理，得到二值图像；
S12、利用形态学算法去除二值图像中行间和作物行上的小孔噪声，得到作物行骨架；
S13、利用基于定向处理的快速Hough变换算法对作物行骨架进行拟合，得到作物行的中心线；
S14、根据世界坐标系与图像坐标系的变换关系，通过计算作物行的中心线与图像中心的像素偏差距离，得出图像像素偏差所对应的实际地理偏差的大小，结合施药喷头与工业相机的位置信息，得到施药喷头与作物行的偏差信息。
5.根据权利要求4所述的基于小麦病害信息的精准配方施药机器人***的施药方法，其特征在于，所述利用图像处理方法对小麦作物的图像进行预处理，得到二值图像的方法为：
S11.1、利用改进的过绿灰度化算法对小麦作物的图像进行灰度化，得到灰度图像；
所述灰度图像为：
Figure FDA0003020266610000021
其中，Gray表示图像的灰度值，G表示图像的绿色分量，R表示图像的红色分量，B表示图像的蓝色分量；
S11.2、对灰度图像进行二值滤波处理，去除灰度图像中的噪声，得到滤波图像；
S11.3、采用最大类间方差法对滤波图像进行二值化，得到二值图像。
6.根据权利要求3所述的基于小麦病害信息的精准配方施药机器人***的施药方法，其特征在于，所述步骤S2中的将叶片病害图像传输至PC机的病害识别***，得到病害种类及病害程度的方法为：
S21、利用图像处理方法对叶片病害图像进行叶片与背景分离，得到叶片病害图像；
S22、采用绿色分割算法对叶片病害图像进行分割，得到病斑分割图像，并将病斑分割图像进行图像复原得到病斑图像，其中，图像复原是指将变换后的灰度图像根据图像坐标位置信息复原为彩色图像；
S23、分别利用颜色直方图、颜色矩、对比度、不变矩及偏心率的计算方法对病斑图像进行特征提取，得到初始备用特征，并通过主成分分析法对初始备用特征进行筛选，得到用于小麦叶片病害识别的核心特征，其中，核心特征包括红色矩、R-G、圆形度、对比度、偏心率和病斑面积数目比；
S24、利用基于费歇尔判据的SVM算法对核心特征进行识别，输出病害的种类以及病害严重程度。
7.根据权利要求6所述的基于小麦病害信息的精准配方施药机器人***的施药方法，其特征在于，所述利用图像处理方法对叶片病害图像进行叶片与背景分离，得到叶片病害图像的方法为：
S21.1、将叶片病害图像转化为灰度图像，并利用改进的分水岭算法对灰度图像进行处理，得到二次灰度化图像；
S21.2、利用自适应阈值算法对二次灰度化图像进行分割，得到叶片的二值图像；
S21.3、对经过膨胀腐蚀滤波后的叶片的二值图像进行裁剪，得到目标图像；
S21.4、根据图像空间像素的不变性原理，将目标图像按照空间关系转化为彩色图像，得到叶片病害图像，其中，空间关系是指二值图像和彩色图像的坐标位置相对应。
8.根据权利要求6所述的基于小麦病害信息的精准配方施药机器人***的施药方法，其特征在于，所述利用基于费歇尔判据的SVM算法对核心特征进行识别，输出病害的种类以及病害严重程度的方法为：
S24.1、构建小麦叶片的病害类别空间M＝V1∪V2∪…∪Vi∪…∪VN，其中，Vi表示第i类病害；
S24.2、将病害类别空间M划分为两类子空间，并采用费歇尔判据构建线性判别函数：
Figure FDA0003020266610000031
其中，X＝(x1,x2,…,xp)T为核心特征，i＝1,2,…,p，p表示核心特征个数，C为常向量，Ci表示不同核心特征的贡献率，U(X)表示判别函数；
S24.3、基于费歇判据的支持向量机决策树的多类识别算法，根据获得的小麦叶部病害核心特征，判断出病害的种类；根据小麦叶部病害核心特征的数量多少，确定病害严重程度级别。
CN202110400904.3A 2021-04-14 2021-04-14 基于小麦病害信息的精准配方施药机器人***及施药方法 Active CN113100207B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110400904.3A CN113100207B (zh) 2021-04-14 2021-04-14 基于小麦病害信息的精准配方施药机器人***及施药方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110400904.3A CN113100207B (zh) 2021-04-14 2021-04-14 基于小麦病害信息的精准配方施药机器人***及施药方法

Publications (2)

Publication Number Publication Date
CN113100207A true CN113100207A (zh) 2021-07-13
CN113100207B CN113100207B (zh) 2022-11-22

Family

ID=76717597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110400904.3A Active CN113100207B (zh) 2021-04-14 2021-04-14 基于小麦病害信息的精准配方施药机器人***及施药方法

Country Status (1)

Country Link
CN (1) CN113100207B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114514914A (zh) * 2021-12-28 2022-05-20 中国农业大学 一种智能感知施肥与农药喷洒方法与装置

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR349054A (fr) * 1904-03-04 1905-05-10 Victor Vermorel Pulvérisateur à dos d'homme à grand débit et à jets multiples
JP2004161724A (ja) * 2002-11-14 2004-06-10 Masaru Kawai 植物栽培時の病害虫防止液とその製造方法
CN101927220A (zh) * 2010-07-05 2010-12-29 中国农业大学 精准智能对靶喷雾机
CN102613161A (zh) * 2012-04-06 2012-08-01 山东农业大学 喷杆喷雾机控制***及喷雾补偿控制方法
CN102907406A (zh) * 2012-09-20 2013-02-06 北京林业大学 果树根蘖精准对靶施药装置和方法
CN103530643A (zh) * 2013-10-11 2014-01-22 中国科学院合肥物质科学研究院 基于农作物行间自动识别技术的农药定位喷洒方法及***
CN103891697A (zh) * 2014-03-28 2014-07-02 南通职业大学 一种室内自主移动喷药机器人及其变量喷药方法
CN105173085A (zh) * 2015-09-18 2015-12-23 山东农业大学 无人机变量施药自动控制***及方法
US20180240228A1 (en) * 2017-02-23 2018-08-23 Jonathan A. Jackson Selective Plant Detection and Treatment Using Green Luminance Photometric Machine Vision Scan with Real Time Chromaticity Operations and Image Parameter Floors for Low Processing Load
CN108684282A (zh) * 2018-04-11 2018-10-23 北京麦飞科技有限公司 一种农业察打一体机***及喷洒控制方法
CN109964905A (zh) * 2019-03-19 2019-07-05 安徽农业大学 基于果树识别定位的自走对靶施药机器人及其控制方法
CN110089297A (zh) * 2019-05-18 2019-08-06 安徽大学 小麦赤霉病大田环境下病情严重度诊断方法及装置
US20190246619A1 (en) * 2018-02-15 2019-08-15 Monsanto Technology Llc Improved Management of Corn Through Semi-Dwarf Systems
CN110150260A (zh) * 2019-06-11 2019-08-23 东北农业大学 一种基于深度学习的智能靶喷除草机器人
CN110235882A (zh) * 2019-06-28 2019-09-17 南京农业大学 一种基于多传感器的精准变量果树施药机器人
CN110333737A (zh) * 2019-07-05 2019-10-15 湖北理工学院 一种用于农药喷洒的喷洒效率高的无人机控制***及方法
CN110692352A (zh) * 2019-09-19 2020-01-17 北京农业智能装备技术研究中心 一种智能农业机器人及其控制方法
CN111627031A (zh) * 2020-05-29 2020-09-04 郑州轻工业大学 基于瓦屋状多边形的作物根系表型分析装置及方法
CN112136381A (zh) * 2020-09-29 2020-12-29 郑州轻工业大学 一种用于玉米地除草机器人及其控制***

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR349054A (fr) * 1904-03-04 1905-05-10 Victor Vermorel Pulvérisateur à dos d'homme à grand débit et à jets multiples
JP2004161724A (ja) * 2002-11-14 2004-06-10 Masaru Kawai 植物栽培時の病害虫防止液とその製造方法
CN101927220A (zh) * 2010-07-05 2010-12-29 中国农业大学 精准智能对靶喷雾机
CN102613161A (zh) * 2012-04-06 2012-08-01 山东农业大学 喷杆喷雾机控制***及喷雾补偿控制方法
CN102907406A (zh) * 2012-09-20 2013-02-06 北京林业大学 果树根蘖精准对靶施药装置和方法
CN103530643A (zh) * 2013-10-11 2014-01-22 中国科学院合肥物质科学研究院 基于农作物行间自动识别技术的农药定位喷洒方法及***
CN103891697A (zh) * 2014-03-28 2014-07-02 南通职业大学 一种室内自主移动喷药机器人及其变量喷药方法
CN105173085A (zh) * 2015-09-18 2015-12-23 山东农业大学 无人机变量施药自动控制***及方法
US20180240228A1 (en) * 2017-02-23 2018-08-23 Jonathan A. Jackson Selective Plant Detection and Treatment Using Green Luminance Photometric Machine Vision Scan with Real Time Chromaticity Operations and Image Parameter Floors for Low Processing Load
US20190246619A1 (en) * 2018-02-15 2019-08-15 Monsanto Technology Llc Improved Management of Corn Through Semi-Dwarf Systems
CN108684282A (zh) * 2018-04-11 2018-10-23 北京麦飞科技有限公司 一种农业察打一体机***及喷洒控制方法
CN109964905A (zh) * 2019-03-19 2019-07-05 安徽农业大学 基于果树识别定位的自走对靶施药机器人及其控制方法
CN110089297A (zh) * 2019-05-18 2019-08-06 安徽大学 小麦赤霉病大田环境下病情严重度诊断方法及装置
CN110150260A (zh) * 2019-06-11 2019-08-23 东北农业大学 一种基于深度学习的智能靶喷除草机器人
CN110235882A (zh) * 2019-06-28 2019-09-17 南京农业大学 一种基于多传感器的精准变量果树施药机器人
CN110333737A (zh) * 2019-07-05 2019-10-15 湖北理工学院 一种用于农药喷洒的喷洒效率高的无人机控制***及方法
CN110692352A (zh) * 2019-09-19 2020-01-17 北京农业智能装备技术研究中心 一种智能农业机器人及其控制方法
CN111627031A (zh) * 2020-05-29 2020-09-04 郑州轻工业大学 基于瓦屋状多边形的作物根系表型分析装置及方法
CN112136381A (zh) * 2020-09-29 2020-12-29 郑州轻工业大学 一种用于玉米地除草机器人及其控制***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
吴立根: "藜麦碾磨加工与营养分布研究进展", 《食品研究与开发》 *
张卫正: "基于骨架提取和二叉树分析的玉米植株图像茎叶分割方法", 《河南农业科学》 *
张新林: "基于LS-SVM的浮选药剂量优化设定", 《计测技术》 *
董树歧: "《化学教学手册》", 31 January 1984, 吉林人民出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114514914A (zh) * 2021-12-28 2022-05-20 中国农业大学 一种智能感知施肥与农药喷洒方法与装置

Also Published As

Publication number Publication date
CN113100207B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
Wang et al. A review on weed detection using ground-based machine vision and image processing techniques
CN107103323B (zh) 一种基于图像轮廓特征的目标识别方法
CN103646249B (zh) 一种温室智能移动机器人视觉导航路径识别方法
CN106803257B (zh) 一种作物病害叶片图像中病斑的分割方法
CN111798539B (zh) 自适应迷彩伪装在线设计方法及***
CN110689519B (zh) 基于yolo网络的雾滴沉积图像检测***和方法
CN107610114A (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN108846831B (zh) 基于统计特征和图像特征相结合的带钢表面缺陷分类方法
CN110782025B (zh) 一种稻米加工在线工艺检测方法
CN109255336A (zh) 基于巡检机器人的避雷器识别方法
CN117253024B (zh) 一种基于机器视觉的工业盐质检管控方法及***
CN106960196B (zh) 基于模板匹配和svm的工业视频小数字识别方法
CN113100207B (zh) 基于小麦病害信息的精准配方施药机器人***及施药方法
CN113706566B (zh) 一种基于边缘检测的加香喷雾性能检测方法
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN105975906B (zh) 一种基于面积特征的pca静态手势识别方法
Mei et al. A novel framework for container code-character recognition based on deep learning and template matching
Liu et al. Recognition of pyralidae insects using intelligent monitoring autonomous robot vehicle in natural farm scene
CN110188646B (zh) 基于梯度方向直方图与局部二值模式融合的人耳识别方法
CN115311689A (zh) 牛脸身份识别特征提取模型构建方法及牛脸身份识别方法
CN116524224A (zh) 一种基于机器视觉的烤后烟叶类型检测方法及***
CN108596176A (zh) 一种对提取的硅藻区域进行硅藻类型识别方法及装置
CN109766850B (zh) 基于特征融合的指纹图像匹配方法
Umamaheswari et al. Encoder–decoder architecture for crop-weed classification using pixel-wise labelling
CN111368776A (zh) 一种基于深度集成学习的高分辨率遥感图像分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant